Nodejs クローラー スーパーエージェントと Cherio のエクスペリエンス ケース

クローラーについては長い間聞いていましたが、ここ数日、ブログパークのホームページで記事のタイトル、ユーザー名、閲覧数、推奨数、ユーザーアバターをクロールし始めました。簡単にまとめてみます。

これらのポイントを使用してください:

1. ノードのコアモジュール - ファイルシステム

2. http リクエスト用のサードパーティモジュール - スーパーエージェント 3. DOM を解析するためのサードパーティモジュール - - Cheerio

詳細についてはいくつかのモジュールの説明や API については、各リンクを参照してください。デモでは簡単な使用方法のみが記載されています。

準備

npmを使って依存関係を管理すると、依存関係の情報がpackage.jsonに格納されます

//安装用到的第三方模块
cnpm install --save superagent cheerio

必要な機能モジュールを導入します

//引入第三方模块，superagent用于http请求，cheerio用于解析DOM
const request = require('superagent');
const cheerio = require('cheerio');
const fs = require('fs');

リクエスト+パースページ

ホームページ上のコンテンツにクロールしたい場合まず、ホームページのアドレスをリクエストして、返された HTML を取得する必要があります。ここでは、スーパーエージェントを使用して http リクエストを行います。基本的な使用方法は次のとおりです。 url. リクエストが間違っている場合はエラーが返されます (エラーがない場合、エラーは null または未定義です)。res は返されるデータです。

HTMLコンテンツを取得した後、必要なデータを取得する必要があります。このとき、Cheerioを使用してDOMを解析する必要があります。Cheerioは、最初にターゲットのHTMLをロードしてから、それを解析する必要があります。 jquery の API に慣れている場合は、すぐに使い始めることができます。コード例を直接見てください

request.get(url)
      .end(error,res){
      //do something     
}

データの保存

上記の DOM を解析した後、必要な情報コンテンツが結合され、画像の URL が取得されました。これで、コンテンツが txt ファイルに保存されます。指定したディレクトリに画像をダウンロードし、指定したディレクトリに画像をダウンロードします

最初にディレクトリを作成し、nodejs コア ファイル システムを使用します

//目标链接 博客园首页
let targetUrl = 'https://www.cnblogs.com/';
//用来暂时保存解析到的内容和图片地址数据
let content = '';
let imgs = [];
//发起请求
request.get(targetUrl)
    .end( (error,res) => {
      if(error){ //请求出错，打印错误，返回
        console.log(error)
        return;
      }
      // cheerio需要先load html
      let $ = cheerio.load(res.text);
      //抓取需要的数据,each为cheerio提供的方法用来遍历
      $('#post_list .post_item').each( (index,element) => {
        //分析所需要的数据的DOM结构
        //通过选择器定位到目标元素，再获取到数据
        let temp = {
          '标题' : $(element).find('h3 a').text(),
          '作者' : $(element).find('.post_item_foot > a').text(),
          '阅读数' : +$(element).find('.article_view a').text().slice(3,-2),
          '推荐数' : +$(element).find('.diggnum').text()
        }
        //拼接数据
        content += JSON.stringify(temp) + '\n';
        //同样的方式获取图片地址
        if($(element).find('img.pfs').length > 0){
          imgs.push($(element).find('img.pfs').attr('src'));
        }
      });
      //存放数据
      mkdir('./content',saveContent);
      mkdir('./imgs',downloadImg);
    })

指定したディレクトリを作成したら、txt ファイルの内容がすでに存在しています。 writeFile()で直接書くだけ

//创建目录
function mkdir(_path,callback){
  if(fs.existsSync(_path)){
    console.log(`${_path}目录已存在`)
  }else{
    fs.mkdir(_path,(error)=>{
      if(error){
        return console.log(`创建${_path}目录失败`);
      }
      console.log(`创建${_path}目录成功`)
    })
  }
  callback(); //没有生成指定目录不会执行
}

画像へのリンクは取得できているので、スーパーエージェントを使って画像をダウンロードしてローカルに保存する必要があります。スーパーエージェントは応答ストリームを直接返すことができ、その後、nodejs パイプラインと連携して画像コンテンツをローカルに直接書き込むことができます

//将文字内容存入txt文件中
function saveContent() {
  fs.writeFile('./content/content.txt',content.toString());
}

Effect

デモを実行して効果を確認すると、データは正常に下降しています

シンプルなもの デモはそれほど厳密ではないかもしれませんが、常にノードに向けた最初の小さなステップです。

関連する推奨事項:

node.js [superAgent] リクエスト使用例_node.js

NodeJS クローラーの詳細説明

Node.js クローラーの Web リクエスト モジュールの詳細説明

以上がNodejs クローラー スーパーエージェントと Cherio のエクスペリエンス ケースの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。